胡航 杜爽 梁佳柔 康忠琳

【摘要】

隨著教育大數(shù)據(jù)分析技術(shù)的發(fā)展，學(xué)習(xí)預(yù)測(cè)研究已成為學(xué)習(xí)分析技術(shù)的一個(gè)重要研究方向，但通過不同場(chǎng)景學(xué)習(xí)行為日志數(shù)據(jù)進(jìn)行學(xué)習(xí)預(yù)測(cè)研究較少。研究采集了823名大學(xué)生學(xué)習(xí)場(chǎng)景中在線學(xué)習(xí)日志數(shù)據(jù)和生活場(chǎng)景中一卡通消費(fèi)和借閱圖書日志數(shù)據(jù)，構(gòu)建在線學(xué)習(xí)行為、早起行為、借閱行為和學(xué)習(xí)績(jī)效預(yù)測(cè)指標(biāo)，通過五種機(jī)器學(xué)習(xí)模型對(duì)學(xué)習(xí)績(jī)效進(jìn)行預(yù)測(cè)分析，結(jié)合提升（Boosting）和裝袋（Bagging）兩種方法提升預(yù)測(cè)模型的準(zhǔn)確率，并與人工神經(jīng)網(wǎng)絡(luò)和深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測(cè)性能對(duì)比。研究表明，多場(chǎng)景行為表現(xiàn)指標(biāo)有較強(qiáng)的預(yù)測(cè)能力，深度神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)準(zhǔn)確率最高（82%）但耗時(shí)最多。同時(shí)，結(jié)合決策樹與規(guī)則模型建立了分類規(guī)則集，構(gòu)建了一種結(jié)合決策樹和深度神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)行為診斷模型，該模型兼具高預(yù)測(cè)準(zhǔn)確率、易讀性高和易操作等特點(diǎn)，可實(shí)現(xiàn)多場(chǎng)景學(xué)習(xí)行為診斷，實(shí)現(xiàn)精準(zhǔn)教學(xué)干預(yù)與學(xué)習(xí)資源推薦。

【關(guān)鍵詞】? 大學(xué)生;學(xué)習(xí)行為;多場(chǎng)景;學(xué)習(xí)績(jī)效;預(yù)測(cè)模型;機(jī)器學(xué)習(xí);決策樹;神經(jīng)網(wǎng)絡(luò)

【中圖分類號(hào)】? ?G40-057? ? ? ? ?【文獻(xiàn)標(biāo)識(shí)碼】? A? ? ? ?【文章編號(hào)】? 1009-458x（2021）4-0008-13

一、引言

隨著教育大數(shù)據(jù)的廣泛應(yīng)用，學(xué)習(xí)預(yù)測(cè)研究已成為學(xué)習(xí)分析技術(shù)的一個(gè)重要研究方向。學(xué)習(xí)分析技術(shù)已從原理探究、應(yīng)用價(jià)值等理論研究轉(zhuǎn)向基于教育大數(shù)據(jù)的學(xué)習(xí)行為分析、數(shù)據(jù)可視化、學(xué)習(xí)預(yù)測(cè)等實(shí)際應(yīng)用研究（胡航， 等， 2020）。學(xué)習(xí)預(yù)測(cè)研究主要依據(jù)之前和當(dāng)前的學(xué)習(xí)活動(dòng)特征對(duì)學(xué)習(xí)者未來的結(jié)果表現(xiàn)進(jìn)行預(yù)估，如學(xué)習(xí)成績(jī)、學(xué)習(xí)目標(biāo)和學(xué)習(xí)能力等，通過不同形式的學(xué)習(xí)預(yù)測(cè)來改善學(xué)習(xí)成效和學(xué)習(xí)體驗(yàn)（AlShammari， Aldhafiri， & Al-Shammari， 2013; Nkhoma， Sriratanaviriyakul， Cong， & Lam， 2014）。學(xué)習(xí)結(jié)果預(yù)測(cè)集中在成績(jī)預(yù)測(cè)理論模型構(gòu)建、成績(jī)預(yù)測(cè)模型實(shí)證研究、算法準(zhǔn)確性對(duì)比、算法開發(fā)、預(yù)警因素研究和綜述研究等方面，主要采用決策樹、回歸分析、神經(jīng)網(wǎng)絡(luò)、樸素貝葉斯、支持向量機(jī)等方法來預(yù)測(cè)學(xué)習(xí)績(jī)效和學(xué)習(xí)效果（王改花， 等， 2019）。隨著機(jī)器學(xué)習(xí)、情感分析、模式識(shí)別等智能技術(shù)的不斷發(fā)展和成熟，特別是深度神經(jīng)網(wǎng)絡(luò)識(shí)別技術(shù)與教育領(lǐng)域的結(jié)合，為學(xué)習(xí)預(yù)測(cè)研究提供了有力的技術(shù)支撐，逐步應(yīng)用于學(xué)生學(xué)習(xí)追蹤、表現(xiàn)預(yù)測(cè)、教學(xué)輔助工具和行為分析等場(chǎng)景（陳德鑫， 等， 2019）。盡管學(xué)習(xí)預(yù)測(cè)研究有了一些初步成果，但以優(yōu)化學(xué)習(xí)過程和改善學(xué)習(xí)成效為目標(biāo)的學(xué)習(xí)預(yù)測(cè)研究還未在教育領(lǐng)域得到深入實(shí)踐和應(yīng)用，距離準(zhǔn)確和大規(guī)模應(yīng)用還較遠(yuǎn)（牟智佳， 等， 2017）。如何建立具有較高預(yù)測(cè)性能、兼具易讀性和易操作性的學(xué)習(xí)預(yù)測(cè)方法，并依據(jù)預(yù)測(cè)結(jié)果進(jìn)行差異化的干預(yù)與推薦應(yīng)用，成為亟待解決的問題。本研究采用深度神經(jīng)網(wǎng)絡(luò)結(jié)合機(jī)器學(xué)習(xí)分析技術(shù)，運(yùn)用多場(chǎng)景學(xué)習(xí)行為數(shù)據(jù)，構(gòu)建學(xué)習(xí)行為診斷模型，以期為學(xué)習(xí)績(jī)效預(yù)測(cè)分析和學(xué)習(xí)干預(yù)提供參考和指導(dǎo)。

二、研究基礎(chǔ)與研究問題

（一）基于機(jī)器學(xué)習(xí)的預(yù)測(cè)研究

機(jī)器學(xué)習(xí)是一組使計(jì)算機(jī)能夠在沒有人為編程干預(yù)的情況下進(jìn)行自我學(xué)習(xí)的新技術(shù)，在社會(huì)的各個(gè)行業(yè)得到廣泛應(yīng)用（Kannammal， 2015）。隨著技術(shù)的不斷成熟，機(jī)器學(xué)習(xí)中的監(jiān)督學(xué)習(xí)在教育領(lǐng)域的應(yīng)用也越來越廣泛和深入。監(jiān)督學(xué)習(xí)主要尋找能夠從外部提供的實(shí)例中進(jìn)行推理的算法，從而產(chǎn)生一般的假設(shè)，其目標(biāo)是根據(jù)預(yù)測(cè)器的特征建立一個(gè)清晰的類標(biāo)簽分類模型（Kotsiantis， 2007）。監(jiān)督學(xué)習(xí)在教育領(lǐng)域中的研究?jī)?nèi)容主要集中在成績(jī)預(yù)測(cè)理論模型構(gòu)建、成績(jī)預(yù)測(cè)模型實(shí)證研究、算法準(zhǔn)確性對(duì)比、算法開發(fā)、預(yù)警因素研究、綜述研究等方面。黃等（Huang & Fang， 2013）基于多元線性回歸（Multiple Linear Regressions，MLR）、多層感知網(wǎng)絡(luò)（Multi-Layer Perceptron，MLP）、徑向基函數(shù)網(wǎng)絡(luò)（Radial Basis Function，RBF）和支持向量機(jī)（Support Vector Machine，SVM）四種類型的數(shù)學(xué)建模技術(shù)，結(jié)合六種預(yù)測(cè)變量組合開發(fā)了一個(gè)預(yù)測(cè)數(shù)學(xué)模型，發(fā)現(xiàn)支持向量機(jī)模型的平均準(zhǔn)確率最高。塞勒姆等（Slim， Heileman， Kozlick， & Abdallah， 2014）以第一學(xué)期學(xué)生的基本信息（初始成績(jī)、性別等）作為基線，分析了預(yù)測(cè)指標(biāo)與平均績(jī)點(diǎn)（GPA）的相關(guān)關(guān)系，利用貝葉斯信念網(wǎng)絡(luò)（Bayesian Belief Network，BBN）預(yù)測(cè)了學(xué)生在學(xué)術(shù)生涯早期的表現(xiàn)，在第二學(xué)期加入其他行為表現(xiàn)指標(biāo)后提高了模型的預(yù)測(cè)準(zhǔn)確率。馬布蒂等（Marbouti， Diefes-Dux， & Strobel， 2015）通過采集大一新生前九周的出勤率、測(cè)驗(yàn)和作業(yè)數(shù)據(jù)，利用邏輯回歸（Logistic Regression，LR）模型對(duì)中期考試進(jìn)行預(yù)測(cè)，并在后期的研究中通過SVM、樸素貝葉斯分類器（Naive Bayes，NB）、決策樹（Decision Tree，DT）、多層感知機(jī)等各種監(jiān)督學(xué)習(xí)中常用的分類預(yù)測(cè)器，以邏輯回歸為基線模型進(jìn)行準(zhǔn)確率的比較（Marbouti， Diefes-Dux， & Madhavan， 2016）。胡塞等（Hussain， Zhu， Zhang， & Abidi， 2018）為了預(yù)測(cè)學(xué)生學(xué)習(xí)活動(dòng)的參與程度，利用在虛擬網(wǎng)絡(luò)環(huán)境中采集的學(xué)生行為數(shù)據(jù)，對(duì)五種監(jiān)督學(xué)習(xí)算法進(jìn)行了預(yù)測(cè)比較，發(fā)現(xiàn)基于J48決策樹、JRIP和梯度增強(qiáng)分類器在準(zhǔn)確率、Kappa值和召回率（Recall）方面表現(xiàn)出更好的性能。近年來，一些學(xué)者開始將多種機(jī)器學(xué)習(xí)分類器混合使用，結(jié)合樸素貝葉斯分類器的高準(zhǔn)確率和J48分類器的效率，利用學(xué)生學(xué)習(xí)的基本信息和行為表現(xiàn)數(shù)據(jù)進(jìn)行學(xué)習(xí)成績(jī)的預(yù)測(cè)和學(xué)生表現(xiàn)的評(píng)估（Karthikeyan， Thangaraj， & Karthik， 2020）。這些研究不僅表現(xiàn)了不同學(xué)習(xí)行為數(shù)據(jù)對(duì)學(xué)習(xí)績(jī)效和學(xué)習(xí)效果之間存在顯著的相關(guān)性，還反映出行為表現(xiàn)指標(biāo)良好的預(yù)測(cè)效果。

在預(yù)測(cè)準(zhǔn)確率提升方法上，除了采用基于不同機(jī)器學(xué)習(xí)對(duì)預(yù)測(cè)效果進(jìn)行篩選外，還可以采用集成算法AdaBoost模型對(duì)學(xué)生進(jìn)行分類預(yù)測(cè)，提升分類器的預(yù)測(cè)準(zhǔn)確率（Han， Tong， Chen， Liu， & Liu， 2017）。尚蒂尼等（Shanthini， Vinodhini， & Chandrasekaran， 2018）將REPTree作為元學(xué)習(xí)的決策樹方法，基于Adaboost、Bagging、Dagging和Grading四種代表性分類器技術(shù)構(gòu)建不同的決策樹，發(fā)現(xiàn)Adaboost是基于學(xué)生測(cè)試成績(jī)預(yù)測(cè)學(xué)生學(xué)習(xí)績(jī)效的最佳元決策分類器，在測(cè)試集上的準(zhǔn)確率從89.4%提升到97.6%。陳子健等（2017）采用Bagging和Boosting集成學(xué)習(xí)方法構(gòu)建集成式學(xué)習(xí)成績(jī)分類預(yù)測(cè)模型，能不同程度地提升貝葉斯網(wǎng)絡(luò)（BN）、決策樹（DT）和人工神經(jīng)網(wǎng)絡(luò)（ANN）三種算法的分類性能，真正率、精度和召回率的準(zhǔn)確率從73%～75%提高到79.3%。因此，本研究在機(jī)器學(xué)習(xí)模型的選擇和優(yōu)化上，使用提升（Boosting）和裝袋（Bagging）兩種方法提升模型的準(zhǔn)確率，改進(jìn)模型的預(yù)測(cè)性能。

（二）基于神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)績(jī)效預(yù)測(cè)研究

1. 神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)研究

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）是模仿生物神經(jīng)元對(duì)等物，由被稱為神經(jīng)元的處理單元相互連接而組成的一套機(jī)器學(xué)習(xí)方法（Adewale， Bamidele， & Lateef， 2018），神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)是分層的，神經(jīng)元在連續(xù)的層中進(jìn)行組裝，每一層的輸出被輸入到連續(xù)的層中，在輸入層、隱藏層和輸出層上部署了非線性函數(shù)的組合。神經(jīng)網(wǎng)絡(luò)應(yīng)用于社會(huì)的各個(gè)領(lǐng)域，在教育領(lǐng)域主要通過不同的神經(jīng)網(wǎng)絡(luò)算法組合實(shí)現(xiàn)學(xué)生學(xué)習(xí)效果預(yù)測(cè)和學(xué)習(xí)預(yù)警等。里庫倫佐等（Lykourentzou， Giannoukos， Mpardis， Nikolopoulos， & Loumos， 2009）提出一種多前饋神經(jīng)網(wǎng)絡(luò)，將早期學(xué)生在電子學(xué)習(xí)課程中的測(cè)試成績(jī)作為網(wǎng)絡(luò)的輸入數(shù)據(jù)集，動(dòng)態(tài)預(yù)測(cè)學(xué)生十周后的最終成績(jī)。牟智佳等（2017）選擇決策樹、樸素貝葉斯網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)三種預(yù)測(cè)分類算法，比較學(xué)習(xí)時(shí)長(zhǎng)和學(xué)習(xí)次數(shù)預(yù)測(cè)學(xué)生在MOOC中輟學(xué)的準(zhǔn)確率，發(fā)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)準(zhǔn)確率最優(yōu)，達(dá)到99%以上。法友米等（Fayoumi & Hajjar， 2020）以學(xué)生的學(xué)術(shù)指標(biāo)源作為輸入數(shù)據(jù)集，開發(fā)了一套基于神經(jīng)網(wǎng)絡(luò)模型的決策支持系統(tǒng)，用于評(píng)估和預(yù)測(cè)學(xué)生學(xué)業(yè)表現(xiàn)，并將該模型與大數(shù)據(jù)和分析研究相結(jié)合，以實(shí)現(xiàn)高級(jí)可視化。

2. 深度神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)研究

深度神經(jīng)網(wǎng)絡(luò)方法被稱為“表示學(xué)習(xí)方法”，由若干層非線性模塊組成。該方法能夠使系統(tǒng)足夠熟練地學(xué)習(xí)復(fù)雜問題，從而使系統(tǒng)足夠健壯，能夠?qū)?fù)雜和微小的特殊情況產(chǎn)生敏感（Waheed， et al.， 2020）。與統(tǒng)計(jì)學(xué)方法相比，深度神經(jīng)網(wǎng)絡(luò)促進(jìn)了泛化，使其能夠從數(shù)據(jù)中正確推斷出隱藏的模式（Montavon， Samek， & Müller， 2018）。近年來，越來越多的學(xué)者將機(jī)器學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò)進(jìn)行結(jié)合?？吕锔龋–orrigan & Smeaton， 2017）通過分析學(xué)生與虛擬學(xué)習(xí)環(huán)境的互動(dòng)次數(shù)預(yù)測(cè)學(xué)生學(xué)習(xí)成績(jī)，運(yùn)用遞歸神經(jīng)網(wǎng)絡(luò)（RNN）的變異長(zhǎng)短期記憶（LSTM），以隨機(jī)森林為基準(zhǔn)對(duì)結(jié)果進(jìn)行評(píng)估，LSTM方差高達(dá)13.3%;依安達(dá)等（Iyanda， Ninan， Ajayi， & Anyabolu， 2018）利用前期單一學(xué)習(xí)成績(jī)（表現(xiàn)因子）預(yù)測(cè)學(xué)生的后期學(xué)習(xí)成績(jī)，發(fā)現(xiàn)廣義回歸神經(jīng)網(wǎng)絡(luò)（徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的一種特殊形式）整體性能優(yōu)于多層感知機(jī)模型（MLP）。

深度神經(jīng)網(wǎng)絡(luò)的搭建對(duì)研究者的技術(shù)要求較高，需要具備一定的程序開發(fā)經(jīng)驗(yàn)。懷卡托智能分析環(huán)境Weka，不僅集合了大量能承擔(dān)數(shù)據(jù)挖掘任務(wù)的機(jī)器學(xué)習(xí)算法，還能基于神經(jīng)網(wǎng)絡(luò)對(duì)圖形、文本等非結(jié)構(gòu)化數(shù)據(jù)進(jìn)行分析，對(duì)學(xué)生的學(xué)習(xí)成績(jī)進(jìn)行分類預(yù)測(cè)（Meruelo， Jacobus， Idy， Nguyen-Louie， & Tapert， 2018）。Weka提供了深度神經(jīng)網(wǎng)絡(luò)組件WekaDeeplearning4j。它是一個(gè)基于Java語言的開源深度學(xué)習(xí)庫，廣泛支持各種深度學(xué)習(xí)算法的模型框架，為研究者通過圖形用戶界面應(yīng)用深度學(xué)習(xí)技術(shù)提供了新的手段（Lang， Bravo-Marquez， Beckham， Hall， & Frank， 2019）。

通過文獻(xiàn)分析發(fā)現(xiàn)，國(guó)內(nèi)外學(xué)者采用機(jī)器學(xué)習(xí)在學(xué)習(xí)成績(jī)、學(xué)習(xí)評(píng)價(jià)等方面做了大量研究，但現(xiàn)有研究基礎(chǔ)還存在以下不足：一是學(xué)習(xí)分析場(chǎng)景較為單一，通常是基于某一具體學(xué)習(xí)情境的學(xué)習(xí)效果預(yù)測(cè)，較少將多樣化的學(xué)習(xí)環(huán)境納入研究范疇，其應(yīng)用推廣受到限制;二是預(yù)測(cè)數(shù)據(jù)來源的局限性，較少形成較為完整的學(xué)習(xí)活動(dòng)數(shù)據(jù)鏈路，影響學(xué)習(xí)結(jié)果的準(zhǔn)確率;三是預(yù)測(cè)方法受限于有限的數(shù)據(jù)類型和數(shù)據(jù)量，傳統(tǒng)的統(tǒng)計(jì)學(xué)和機(jī)器學(xué)習(xí)方法較多，采用深度神經(jīng)網(wǎng)絡(luò)等深度學(xué)習(xí)技術(shù)進(jìn)行學(xué)習(xí)績(jī)效預(yù)測(cè)研究，特別是基于多場(chǎng)景、多模態(tài)數(shù)據(jù)源進(jìn)行教育大數(shù)據(jù)挖掘的研究較少。

（三）研究問題

此前，研究團(tuán)隊(duì)通過行為指標(biāo)的聚類和關(guān)聯(lián)建立了早起和借閱行為與學(xué)習(xí)績(jī)效的關(guān)系，并從元認(rèn)知角度進(jìn)行了分析和探討（杜爽， 等， 2020）。在此基礎(chǔ)上，本研究基于大學(xué)生網(wǎng)絡(luò)課程學(xué)習(xí)過程、早起行為和圖書借閱行為，將課內(nèi)學(xué)習(xí)表現(xiàn)與課外學(xué)習(xí)行為數(shù)據(jù)聯(lián)系在一起，建立多個(gè)學(xué)習(xí)場(chǎng)景的數(shù)據(jù)鏈路，通過對(duì)不同機(jī)器學(xué)習(xí)分類模型的預(yù)測(cè)分析和性能提升，結(jié)合深度神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)大學(xué)生學(xué)習(xí)績(jī)效進(jìn)行分類預(yù)測(cè)，主要聚焦以下問題：

①哪些預(yù)測(cè)指標(biāo)對(duì)學(xué)習(xí)績(jī)效有較好的預(yù)測(cè)能力？

②基于研究樣本，哪些機(jī)器學(xué)習(xí)模型具有更好的預(yù)測(cè)性能和效能？

③結(jié)合不同預(yù)測(cè)模型的優(yōu)勢(shì)，如何建立用于教學(xué)干預(yù)與學(xué)習(xí)推薦系統(tǒng)的學(xué)習(xí)行為診斷模型？

三、研究設(shè)計(jì)

（一）數(shù)據(jù)來源及變量構(gòu)建

1. 數(shù)據(jù)來源

以C市S高校2018級(jí)所有3，243名大學(xué)生作為數(shù)據(jù)采集對(duì)象，共采集到2018年9月至2019年8月23，948條日志數(shù)據(jù)和18，342條成績(jī)數(shù)據(jù)。學(xué)習(xí)場(chǎng)景數(shù)據(jù)來源于在線課程學(xué)習(xí)數(shù)據(jù)，包括學(xué)校超星學(xué)習(xí)平臺(tái)中的學(xué)習(xí)日志數(shù)據(jù);生活場(chǎng)景數(shù)據(jù)包括圖書借閱數(shù)據(jù)和早起數(shù)據(jù)，來源于圖書館業(yè)務(wù)日志和一卡通消費(fèi)日志數(shù)據(jù);學(xué)習(xí)績(jī)效數(shù)據(jù)來自超星學(xué)習(xí)平臺(tái)的在線測(cè)試成績(jī)和學(xué)校教務(wù)系統(tǒng)中對(duì)應(yīng)課程的期末筆試成績(jī)兩個(gè)方面。

日志數(shù)據(jù)記錄了所有學(xué)生的活動(dòng)，但這些數(shù)據(jù)存在不同程度的缺失和數(shù)據(jù)不平衡情況。對(duì)于數(shù)據(jù)缺失問題，如在一卡通借閱數(shù)據(jù)中有32.5%的學(xué)生在圖書館沒有借閱記錄，而剩下的學(xué)生中又有25.2%的學(xué)生僅借閱過1次，一卡通消費(fèi)數(shù)據(jù)也有類似問題。數(shù)據(jù)缺失的原因主要是大學(xué)目前沒有對(duì)借閱圖書進(jìn)行硬性要求，借閱圖書是學(xué)生進(jìn)行主動(dòng)學(xué)習(xí)的一種行為表現(xiàn);在一卡通消費(fèi)數(shù)據(jù)中也并非所有學(xué)生都會(huì)在早上有消費(fèi)行為。因此在數(shù)據(jù)預(yù)處理階段，除了將重復(fù)、無效等記錄進(jìn)行刪除之外，還將缺少4個(gè)或更多變量值的學(xué)生記錄進(jìn)行刪除，保證樣本數(shù)據(jù)的完整性和有效性。

對(duì)于數(shù)據(jù)不平衡問題，如在學(xué)習(xí)績(jī)效分布中有82.4%的學(xué)生學(xué)習(xí)績(jī)效大于或等于80，僅有17.6%的學(xué)生小于80。對(duì)于這種偏態(tài)分布的數(shù)據(jù)采用分層抽樣方法，對(duì)學(xué)習(xí)績(jī)效大于或等于80的學(xué)生進(jìn)行隨機(jī)抽樣（樣本量減少），對(duì)學(xué)習(xí)績(jī)效小于80的學(xué)生利用SMOTE方法進(jìn)行重復(fù)抽樣（樣本量增加），抽樣后樣本中學(xué)習(xí)績(jī)效的兩種類別比例接近1∶1，確保樣本數(shù)據(jù)的代表性和無偏性。通過對(duì)數(shù)據(jù)的多次校驗(yàn)和處理，最終抽取出823名學(xué)生的有效數(shù)據(jù)作為本研究的樣本。

2. 預(yù)測(cè)變量的構(gòu)建

在預(yù)測(cè)指標(biāo)的選擇和處理上，不同學(xué)者針對(duì)不同研究目的有不同的選取方式和處理方式，本研究采用傾向性指標(biāo)和行為表現(xiàn)指標(biāo)相結(jié)合的方式（范逸洲， 等， 2018）。傾向性指標(biāo)也稱“靜態(tài)指標(biāo)”，即在學(xué)習(xí)進(jìn)行中不會(huì)改變的變量，如性別、民族等。具有某些傾向性指標(biāo)（如良好初試成績(jī)）的學(xué)習(xí)者能夠在后期呈現(xiàn)出較好的學(xué)習(xí)狀態(tài)（Mckay， Miller， & Tritz， 2012），初始自我調(diào)節(jié)的學(xué)習(xí)能力、學(xué)習(xí)驅(qū)動(dòng)力也能很好地估計(jì)學(xué)習(xí)者能否獲得較高的測(cè)試分?jǐn)?shù)（Shum & Crick， 2012）。行為表現(xiàn)指標(biāo)也稱“動(dòng)態(tài)指標(biāo)”，即隨著學(xué)習(xí)的進(jìn)行會(huì)發(fā)生改變的變量，如行為次數(shù)、行為規(guī)律、行為的發(fā)生時(shí)長(zhǎng)等。多數(shù)研究者在建立學(xué)習(xí)績(jī)效和學(xué)習(xí)效果預(yù)測(cè)模型中均加入了行為表現(xiàn)指標(biāo)（Huang， et al.， 2013; Slim， et al.， 2014; Hussain， et al.， 2018; Karthikeyan， et al.， 2020）。傾向性指標(biāo)與行為表現(xiàn)指標(biāo)相互影響，如果對(duì)學(xué)習(xí)早期或中期的學(xué)習(xí)效果進(jìn)行預(yù)測(cè)，傾向性指標(biāo)的預(yù)測(cè)能力較強(qiáng)（Whitener， 1989），而對(duì)學(xué)習(xí)中后期的學(xué)習(xí)績(jī)效進(jìn)行預(yù)測(cè)，傾向性指標(biāo)的預(yù)測(cè)能力逐漸減弱而行為表現(xiàn)指標(biāo)的預(yù)測(cè)能力隨之增強(qiáng)，后期將成為核心預(yù)測(cè)指標(biāo) （Park & Tennyson， 1986）。

本研究將兩類指標(biāo)結(jié)合，傾向性指標(biāo)包括學(xué)生的性別、院系、專業(yè)等基本信息，行為表現(xiàn)指標(biāo)包括學(xué)習(xí)場(chǎng)景（在線課程）和生活場(chǎng)景（早起行為和借閱行為），預(yù)測(cè)結(jié)果為學(xué)習(xí)績(jī)效變量。在研究早期采集兩類指標(biāo)所對(duì)應(yīng)的預(yù)測(cè)變量值，而在后期數(shù)據(jù)處理階段對(duì)其進(jìn)行篩選。具體指標(biāo)如表1所示。

（二）模型選擇與評(píng)估指標(biāo)

1. 預(yù)測(cè)模型選擇

在預(yù)測(cè)模型選擇上，主要聚焦在多場(chǎng)景學(xué)習(xí)過程中通過傾向性指標(biāo)和行為表現(xiàn)指標(biāo)預(yù)測(cè)大學(xué)生學(xué)習(xí)績(jī)效是否大于、等于或小于80分，是一個(gè)典型的二分類問題。因此，采用機(jī)器學(xué)習(xí)中常用的二分類模型——決策樹（J48）、RIPPER規(guī)則模型（JRip）、支持向量機(jī)（SVM）、貝葉斯網(wǎng)絡(luò)（BayesNet）和邏輯回歸（Logistic）分別比較不同模型對(duì)本研究樣本的預(yù)測(cè)性能。預(yù)測(cè)模型分為兩個(gè)階段：一是進(jìn)行監(jiān)督學(xué)習(xí)，將已知的學(xué)習(xí)績(jī)效等級(jí)作為類別標(biāo)簽用于模型對(duì)預(yù)測(cè)變量的訓(xùn)練，建立模型參數(shù);二是使用測(cè)試數(shù)據(jù)將模型用于未知類別的判定，以評(píng)估模型的預(yù)測(cè)性能。

2. 預(yù)測(cè)模型的評(píng)估指標(biāo)

對(duì)二分類模型的性能評(píng)估指標(biāo)，一般統(tǒng)計(jì)預(yù)測(cè)正確與否的數(shù)量后計(jì)算評(píng)估指標(biāo)。常用的統(tǒng)計(jì)參數(shù)包括：True Positive（真正，TP）被模型預(yù)測(cè)為正的正樣本;True Negative（真負(fù)，TN）被模型預(yù)測(cè)為負(fù)的負(fù)樣本;False Positive（假正，F(xiàn)P）被模型預(yù)測(cè)為正的負(fù)樣本;False Negative（假負(fù)，F(xiàn)N）被模型預(yù)測(cè)為負(fù)的正樣本。對(duì)模型預(yù)測(cè)效果最為直觀的評(píng)估指標(biāo)是準(zhǔn)確率（Accuracy），反映了分類算法對(duì)整個(gè)樣本的判定能力，但僅用準(zhǔn)確率來判斷模型的預(yù)測(cè)效果并不能客觀反映出整個(gè)模型的預(yù)測(cè)能力，還需要通過查看模型Kappa值、召回率（Recall）、靈敏度、特異度等指標(biāo)進(jìn)行綜合分析。本研究主要分析以下評(píng)估指標(biāo)：

準(zhǔn)確率 = （TP+FP）/（TP+FP+TN+FN）;

靈敏度 = 真正率（TPR）= TP/（TP+FN）;

特異度 = 1 - 假正率（FPR）= FP/（FP+TN）;

召回率 = TP/（FP+FN）。

準(zhǔn)確率反映整個(gè)模型判定正確的樣本比例，體現(xiàn)模型對(duì)整個(gè)樣本的判別能力;靈敏度也稱“真正率”（TP Rate），反映正確判定的正例占總的正樣本的比值;特異度也稱“假正率”（FP Rate），反映錯(cuò)誤判定為正例占總的負(fù)樣本的比例;召回率反映了被分類算法正確判定的正例占總的正例的比例。

在此基礎(chǔ)上，基于混淆矩陣構(gòu)建靈敏度與特異度的關(guān)系圖，即ROC（Receiver Operating Characteristic）曲線，分別在實(shí)際正樣本和負(fù)樣本中觀察相關(guān)概率分布，通過計(jì)算曲線下面積AUC（Area Under Curve）評(píng)估模型的預(yù)測(cè)能力。

（三）研究方法與研究工具

1. 研究方法

預(yù)測(cè)方法為分析數(shù)據(jù)和生成模型參數(shù)提供有力的技術(shù)保障，本研究的分析過程如圖1所示：①在數(shù)據(jù)清洗的基礎(chǔ)上對(duì)預(yù)測(cè)變量進(jìn)行相關(guān)性和信息增益率計(jì)算，篩選出與學(xué)習(xí)績(jī)效關(guān)系最佳的預(yù)測(cè)變量;②使用十折交叉驗(yàn)證的方法對(duì)五個(gè)模型進(jìn)行訓(xùn)練和測(cè)試;③在單一預(yù)測(cè)模型的基礎(chǔ)上采用Bagging和Boosting方法集成分類器提升各模型預(yù)測(cè)效果，同時(shí)進(jìn)行預(yù)測(cè)效果評(píng)估;④以人工神經(jīng)網(wǎng)絡(luò)（ANN）為基線模型，與使用DeepLearning4j深度神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)方法進(jìn)行比較，計(jì)算AUC值來評(píng)估預(yù)測(cè)性能;⑤為了提供用于后期進(jìn)行學(xué)習(xí)行為判斷依據(jù)，對(duì)決策樹進(jìn)行可視化分析，結(jié)合JRip規(guī)則算法共同生成用于診斷學(xué)習(xí)行為的規(guī)則集;⑥結(jié)合前期各預(yù)測(cè)模型的優(yōu)勢(shì)，構(gòu)建基于規(guī)則集的學(xué)習(xí)行為診斷模型，為建立教學(xué)干預(yù)與學(xué)習(xí)資源推薦系統(tǒng)提供可行依據(jù)。

2. 研究工具

常見的學(xué)習(xí)預(yù)測(cè)工具有Weka、SPSS、SQL Sever 2008 Data Mining、SSAS等，或者幾種工具交替使用共同完成數(shù)據(jù)分析和預(yù)測(cè)評(píng)估。本研究基于PC平臺(tái)Intel Corei5-9300H和Windows版本1909，為了讓W(xué)ekaDeeplearning4j更好地發(fā)揮性能，安裝了支持GPU CUDA 10.2的安裝包。分析工具使用Weka3.8和Clementine12，利用兩者的優(yōu)勢(shì)達(dá)到最佳研究效果。在數(shù)據(jù)預(yù)處理、分類預(yù)測(cè)、集成分類器和深度學(xué)習(xí)分析階段，采用Weka分析工具;在決策樹可視化和規(guī)則集生成階段，采用Clementine分析工具。

四、數(shù)據(jù)分析結(jié)果

（一）預(yù)測(cè)變量的篩選

1. 相關(guān)性分析與排序

對(duì)所有預(yù)測(cè)變量進(jìn)行相關(guān)性分析，計(jì)算各變量與學(xué)習(xí)績(jī)效F之間的皮爾遜相關(guān)系數(shù)，可衡量變量之間的線性相關(guān)關(guān)系。同時(shí)，計(jì)算變量之間的方差膨脹因子（VIF），檢測(cè)他們之間是否存在高度共線性。若相關(guān)系數(shù)小于0.1或VIF大于10，則表明該變量對(duì)學(xué)習(xí)績(jī)效的預(yù)測(cè)效果不佳，應(yīng)考慮刪除。從表2可以發(fā)現(xiàn)，在13個(gè)預(yù)測(cè)變量中ZY和Pro的相關(guān)系數(shù)小于0.1，并且ZY和VY的VIF數(shù)值遠(yuǎn)高于其他變量，因此將ZY變量刪除，其他變量保持不變。刪除ZY后重新進(jìn)行計(jì)算發(fā)現(xiàn)，VY的VIF降至1.917，符合共線性要求。

2. 信息增益率分析與排序

計(jì)算所有預(yù)測(cè)變量與學(xué)習(xí)績(jī)效F之間的信息增益率。信息增益率能有效反映預(yù)測(cè)信息量的大小，它是通過計(jì)算變量的熵度量（屬性熵和類別條件熵的比值）來評(píng)估最佳預(yù)測(cè)變量對(duì)學(xué)習(xí)績(jī)效的信息攜帶量，是一種有效地從樣本中選擇屬性的方法（Karthikeyan， et al.， 2020）。研究采用Weka中InfoGain屬性評(píng)估器，同時(shí)采用Ranker進(jìn)行降序排序（如表3所示）。從表3可以看出，Dep、Sex、Pro和ZY四個(gè)變量的信息增益率最低，小于或接近0.1。因此，結(jié)合相關(guān)性分析結(jié)果，刪除ZY、Dep、Sex和Pro四個(gè)變量。從中可以發(fā)現(xiàn)，雖然相關(guān)性和信息增益率排序順序有所不同，但最終保留的9個(gè)變量數(shù)是一致的。

（二）分類預(yù)測(cè)模型效果分析

采用十折交叉驗(yàn)證法對(duì)各個(gè)分類模型進(jìn)行訓(xùn)練和測(cè)試。交叉驗(yàn)證法先將數(shù)據(jù)集分成十份，然后輪流將其中的九份作為訓(xùn)練數(shù)據(jù)，剩下的一份作為測(cè)試數(shù)據(jù)，最后通過將每次正確率的平均值作為算法精度的評(píng)估值，這樣可以最大化利用樣本進(jìn)行模型訓(xùn)練（Wong & Yeh， 2020）。經(jīng)過各模型的參數(shù)調(diào)優(yōu)，得到各模型的預(yù)測(cè)結(jié)果（如表4所示），各模型的Kappa值在0.357～0.573之間，Kappa值在0.21～0.40屬于一般一致性（fair），在0.41～0.60屬于中等一致性（moderate）（Viera & Garrett， 2005），說明各模型分類結(jié)果一致性和信度基本達(dá)到要求。

從預(yù)測(cè)結(jié)果分析看，真正率最高且假正率最低的是J48，準(zhǔn)確率達(dá)到0.724，其次是JRip和SVM，最低的是BayesNet和Logistic模型，準(zhǔn)確率僅有0.685。召回率、ROC面積與模型真正率基本成正比，模型的耗時(shí)在0.01～0.03秒之間，構(gòu)建速度很快。其中，與BayesNet準(zhǔn)確率一致的Logistic（0.685），假正率卻低于前者（0.333<0.345），假正率越低說明模型的錯(cuò)誤越少，表明Logistic模型的預(yù)測(cè)能力優(yōu)于BayesNet。

（三）采用Boosting和Bagging集成方法提升分類器預(yù)測(cè)效果

兩種集成方法都使用特殊算法將分類器的分類結(jié)果進(jìn)行組合來判斷預(yù)測(cè)類別，但使用不同的分類策略。提升（Boosting）為每一個(gè)訓(xùn)練樣本賦一個(gè)權(quán)重，在每一輪提升過程結(jié)束時(shí)自動(dòng)調(diào)整權(quán)重。裝袋（Bagging）是將原數(shù)據(jù)集進(jìn)行有放回的抽樣，構(gòu)建出大小和原數(shù)據(jù)集一樣的新數(shù)據(jù)集，再對(duì)所有基分類器的預(yù)測(cè)值進(jìn)行多數(shù)表決（陳子健， 等， 2017）。因此，兩種方法對(duì)不同分類器的預(yù)測(cè)效果和預(yù)測(cè)性能的提高是不一樣的（如圖2所示）。

從圖2可以發(fā)現(xiàn)，各預(yù)測(cè)模型通過兩種集成分類器在真正率、準(zhǔn)確率和召回率上均有不同程度的提高，假正率都有所降低。比較兩種集成方法，除了JRip模型之外，其余預(yù)測(cè)模型使用裝袋（Bagging）比使用提升（Boosting）無論是在真正率、準(zhǔn)確率和召回率上都有所提高，其中增幅最大的是邏輯回歸模型，準(zhǔn)確率從0.685提高到了0.719，增幅最小的是貝葉斯網(wǎng)絡(luò)，增幅不到0.01。JRip模型在使用提升集成方法而并非在裝袋集成方法取得最好的預(yù)測(cè)性能，這可能與JRip算法本身的運(yùn)行機(jī)制有關(guān)，但準(zhǔn)確率已從0.717提高到0.741，與準(zhǔn)確率最高的J48（0.744）效果相當(dāng);J48在采用裝袋集成方法后的假正率下降到所有模型中最低的0.259，預(yù)測(cè)性能進(jìn)一步得到優(yōu)化。

（四）人工神經(jīng)網(wǎng)絡(luò)與深度神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)效果分析

Weka中的人工神經(jīng)網(wǎng)絡(luò)分類器是MultilayerPerceptron，運(yùn)行之前需要構(gòu)建網(wǎng)絡(luò)結(jié)構(gòu)，設(shè)置激活函數(shù)、損失函數(shù)、隱藏層數(shù)和學(xué)習(xí)率。深度學(xué)習(xí)分類器在Weka中采用Dl4jMlpClassifier，除了與神經(jīng)網(wǎng)絡(luò)相似的基本設(shè)置之外，還需要設(shè)置網(wǎng)絡(luò)類型、監(jiān)聽器類型、Epoch個(gè)數(shù)等參數(shù)，然后將之前的9個(gè)預(yù)測(cè)變量作為模型輸入加載到兩個(gè)神經(jīng)網(wǎng)絡(luò)中運(yùn)行，同樣采用十折交叉驗(yàn)證法對(duì)分類模型進(jìn)行訓(xùn)練和測(cè)試，關(guān)鍵參數(shù)設(shè)置和預(yù)測(cè)結(jié)果如表5所示。

從表5可以看到，相較之前五個(gè)機(jī)器學(xué)習(xí)模型，兩個(gè)神經(jīng)網(wǎng)絡(luò)模型的真正率、準(zhǔn)確率、召回率、ROC面積等預(yù)測(cè)指標(biāo)均有較大幅度的提升，Kappa值分別為0.674和0.715，模型分類結(jié)果的一致性達(dá)到了高度一致（substantial，0.61～0.80）等級(jí)，模型準(zhǔn)確率分別達(dá)到了0.796和0.820，同時(shí)假正率也降低到0.206和0.179。之后還進(jìn)行了不同方案的模型參數(shù)調(diào)試，如設(shè)置不同的隱藏層數(shù)和修改學(xué)習(xí)率、Epoch數(shù)等，最終經(jīng)過多次嘗試和運(yùn)行，基于本研究的數(shù)據(jù)集深度神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)效果整體上高于人工神經(jīng)網(wǎng)絡(luò)。但兩種神經(jīng)網(wǎng)絡(luò)模型運(yùn)行十折交叉驗(yàn)證的時(shí)間較長(zhǎng)，模型耗時(shí)比其他機(jī)器學(xué)習(xí)模型多出較多。

為了比較各個(gè)模型的預(yù)測(cè)性能，計(jì)算出五個(gè)機(jī)器學(xué)習(xí)模型和兩個(gè)神經(jīng)網(wǎng)絡(luò)模型的ROC面積AUC， AUC的值在0.5到1之間，越接近1預(yù)測(cè)性能越好。圖3是五種機(jī)器學(xué)習(xí)預(yù)測(cè)模型在采用提升或裝袋集成分類器后的最優(yōu)AUC值。一般認(rèn)為AUC值為0.6～0.75時(shí)區(qū)分能力一般，大于0.75時(shí)區(qū)分能力較好?？梢钥吹交诒狙芯繑?shù)據(jù)預(yù)測(cè)性能最優(yōu)的是J48決策樹模型，AUC=0.818表示模型的預(yù)測(cè)能力較好，其余模型的AUC值分布在0.736至0.791之間，模型性能尚可接受。對(duì)比兩個(gè)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型（如圖4所示）可以發(fā)現(xiàn)，兩者均高于前五種機(jī)器學(xué)習(xí)預(yù)測(cè)模型0.039～0.168，且深度神經(jīng)網(wǎng)絡(luò)的AUC值已達(dá)到了0.904，說明該模型的預(yù)測(cè)性能很好。

（五）決策樹可視化分析

深度神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型雖然可以得到較高的準(zhǔn)確率，但無法直觀解釋各預(yù)測(cè)指標(biāo)與學(xué)習(xí)績(jī)效之間的關(guān)系，特別是變量的預(yù)測(cè)重要性等特征，需要進(jìn)一步深入分析，因此采用較為直觀、利于理解并基于本研究數(shù)據(jù)預(yù)測(cè)準(zhǔn)確率較高的決策樹模型進(jìn)行可視化構(gòu)圖。采用Clementine中決策樹生成器生成樹狀結(jié)構(gòu)圖，共生成21個(gè)節(jié)點(diǎn)，因節(jié)點(diǎn)5至節(jié)點(diǎn)13的分裂條件與父節(jié)點(diǎn)重復(fù)，且這8個(gè)節(jié)點(diǎn)只覆蓋50名學(xué)生，所以將這8個(gè)節(jié)點(diǎn)進(jìn)行折疊，折疊后的13個(gè)節(jié)點(diǎn)可以解釋823名學(xué)生中773名學(xué)生的變量分布（如圖5所示）。

根據(jù)決策分類圖中的路徑分析，可以較為直觀地分析學(xué)生的學(xué)習(xí)績(jī)效等級(jí)關(guān)系，例如通過節(jié)點(diǎn)0、1、15這條路徑可以得出：如果平均早起時(shí)間早于7.200（7：12AM）并且早起規(guī)律大于0.911（好于91.1%的學(xué)生），那么模型可以預(yù)測(cè)他的學(xué)習(xí)績(jī)效達(dá)到“≥80”這個(gè)等級(jí)。

從決策樹分類結(jié)構(gòu)圖中可以發(fā)現(xiàn)，對(duì)學(xué)習(xí)績(jī)效預(yù)測(cè)影響最大的是平均早起時(shí)間，其次是早起規(guī)律、學(xué)習(xí)訪問量、任務(wù)點(diǎn)完成數(shù)、早起次數(shù)及借書量，而視頻學(xué)習(xí)時(shí)長(zhǎng)、借閱深度和平均借書時(shí)長(zhǎng)三個(gè)變量沒有出現(xiàn)在決策樹結(jié)構(gòu)圖中。在Clementine中決策樹生成器算法為C5.0，它選擇具有最高信息增益的變量作為節(jié)點(diǎn)的分裂條件，因此可以看到分裂順序與表2中預(yù)測(cè)變量的排序順序基本一致。三個(gè)沒有出現(xiàn)的變量主要原因是在決策樹生產(chǎn)完后進(jìn)行了剪枝（Pruning），剪枝方法可以處理模型對(duì)數(shù)據(jù)的過擬合問題，通常剪枝方法使用統(tǒng)計(jì)度量，剪去最不可靠的分枝，起到精簡(jiǎn)模型的作用。

（六）基于決策樹和JRip算法生成分類規(guī)則

為了增強(qiáng)決策樹分類結(jié)構(gòu)的易讀性，利用JRip模型產(chǎn)生的規(guī)則與決策樹結(jié)果共同生成規(guī)則集。JRip是RIPPER規(guī)則算法的簡(jiǎn)稱，采用貪婪算法構(gòu)造規(guī)則集，采用錯(cuò)誤率降低剪枝REP（Reduced Error Pruning）技術(shù)，相較于決策樹有更好的剪枝和停止準(zhǔn)則，可以進(jìn)一步簡(jiǎn)化和優(yōu)化規(guī)則集。生成的規(guī)則集按照學(xué)習(xí)績(jī)效“≥80”A型和“<80”B型進(jìn)行分類，并根據(jù)該規(guī)則所能分類的比例進(jìn)行排序（如B類規(guī)則1中“63;0.746”表示該規(guī)則可對(duì)63人中的74.6%也就是47人進(jìn)行分類），比例越高說明規(guī)則的信度越高。選取每一類型比例最高的前三條規(guī)則，最終生成用于學(xué)習(xí)行為診斷模型的規(guī)則集（如表6所示）。

從表6規(guī)則集中可以發(fā)現(xiàn)，在生活場(chǎng)景中早起行為的平均早起時(shí)間是所有規(guī)則中的第一條，而且早起規(guī)律也是較為重要的規(guī)則，其次是學(xué)習(xí)場(chǎng)景中的網(wǎng)絡(luò)學(xué)習(xí)中學(xué)習(xí)訪問量和任務(wù)點(diǎn)完成數(shù)，而同樣是生活場(chǎng)景的借閱行為中的借書數(shù)量卻只出現(xiàn)了兩次?；诒狙芯繕颖緮?shù)據(jù)，可以將三個(gè)場(chǎng)景的學(xué)習(xí)行為對(duì)學(xué)習(xí)績(jī)效的預(yù)測(cè)重要性排序：早起行為 > 網(wǎng)絡(luò)學(xué)習(xí) > 借閱行為。

五、研究討論與總結(jié)

（一）行為表現(xiàn)指標(biāo)有較強(qiáng)的預(yù)測(cè)能力

從預(yù)測(cè)指標(biāo)的分析中，傾向性指標(biāo)在相關(guān)分析和信息增益率比較排序后被全部刪除掉，排名靠前的均為行為表現(xiàn)指標(biāo)，說明傾向性指標(biāo)和行為表現(xiàn)指標(biāo)對(duì)于學(xué)習(xí)績(jī)效的預(yù)測(cè)能力存在較大差異。這與早期的一些預(yù)測(cè)研究結(jié)果是相符的（斯伯克特， 等， 2012; Park， et al.， 1986），學(xué)習(xí)活動(dòng)開展初期傾向性指標(biāo)的預(yù)測(cè)能力較強(qiáng)，而隨著學(xué)習(xí)活動(dòng)的開展行為表現(xiàn)指標(biāo)逐漸替代傾向性指標(biāo)，成為預(yù)測(cè)學(xué)習(xí)績(jī)效的主要參數(shù)。學(xué)生的基本屬性隨著時(shí)間的推移，對(duì)學(xué)生自身的發(fā)展而言，在校園學(xué)習(xí)場(chǎng)景和生活場(chǎng)景中發(fā)生的學(xué)習(xí)行為對(duì)學(xué)習(xí)績(jī)效的影響也隨之增加。

不同場(chǎng)景行為表現(xiàn)指標(biāo)的預(yù)測(cè)能力在模型預(yù)測(cè)中是不一樣的，而不同的生活場(chǎng)景對(duì)學(xué)習(xí)績(jī)效的預(yù)測(cè)能力也存在差別。主要原因在于：一是學(xué)習(xí)場(chǎng)景中的在線學(xué)習(xí)數(shù)據(jù)僅能反映學(xué)生真實(shí)學(xué)習(xí)活動(dòng)中的部分表現(xiàn)，通過在線學(xué)習(xí)日志分析對(duì)基于MOOC等遠(yuǎn)程在線教學(xué)活動(dòng)的預(yù)測(cè)能力較強(qiáng)，而對(duì)于混合式學(xué)習(xí)、翻轉(zhuǎn)課堂等需要結(jié)合線下課程共同實(shí)施的活動(dòng)，對(duì)學(xué)生最終學(xué)習(xí)績(jī)效的預(yù)測(cè)能力可能是有限的（Hellas， et al.，2018）;二是在生活場(chǎng)景中由于早起與借閱數(shù)據(jù)量的差異影響了預(yù)測(cè)能力，該預(yù)測(cè)數(shù)據(jù)中早起行為幾乎包括所有學(xué)生每天早上的一卡通消費(fèi)日志，數(shù)據(jù)采集量較大，而圖書館借閱日志的生成需要學(xué)生主動(dòng)進(jìn)行借閱圖書行為后才能產(chǎn)生，有些學(xué)生一學(xué)期或一學(xué)年的借閱量都較少，也就是這兩種行為數(shù)據(jù)的密度分布存在差異，對(duì)學(xué)生行為表現(xiàn)的度量顯然是不一樣的，從而影響了學(xué)習(xí)績(jī)效的預(yù)測(cè)效果。

（二）機(jī)器學(xué)習(xí)模型預(yù)測(cè)性能分析

將多種機(jī)器學(xué)習(xí)分類器混合使用，可以兼具各分類器的性能和效率優(yōu)勢(shì)，綜合和集成多類預(yù)測(cè)模型能顯著提升預(yù)測(cè)能力。本研究采用的五種機(jī)器學(xué)習(xí)模型通過兩種集成方法后預(yù)測(cè)準(zhǔn)確率平均提升1.01～3.4個(gè)百分點(diǎn)，提升后的預(yù)測(cè)準(zhǔn)確率在69.3%～74.4%，與其他學(xué)者82%～89%（Huang， et al.， 2013）、60%～63%（Hamoud， Hashim， & Awadh， 2018）、82%～88%（Hussain， et al.， 2018）和60%～73%（武法提， 等， 2019）采用不同工具進(jìn)行學(xué)習(xí)績(jī)效預(yù)測(cè)的準(zhǔn)確率基本一致。這些模型在預(yù)測(cè)指標(biāo)和預(yù)測(cè)方法的選擇上都與具體應(yīng)用場(chǎng)景和數(shù)據(jù)樣本有關(guān)。這說明數(shù)據(jù)樣本的差異性使得同一預(yù)測(cè)方法在不同樣本中的預(yù)測(cè)效果存在差異，而同一數(shù)據(jù)樣本采用不同的預(yù)測(cè)方法也會(huì)得到不同的預(yù)測(cè)結(jié)果。因此，在選擇預(yù)測(cè)方法時(shí)需要根據(jù)具體的數(shù)據(jù)樣本類型和分布等情況，基于預(yù)測(cè)目標(biāo)的要求采用有針對(duì)性的預(yù)測(cè)算法，才能實(shí)現(xiàn)較為可靠和可信的預(yù)測(cè)結(jié)果。

（三）深度神經(jīng)預(yù)測(cè)性能和效能分析

從人工神經(jīng)網(wǎng)絡(luò)與深度神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)效果來看，僅采用Weka中基本分類器構(gòu)建預(yù)測(cè)模型，在沒有采用提升與裝袋集成分類器的情況下就達(dá)到了較高的預(yù)測(cè)準(zhǔn)確度（0.796，0.82）。其他學(xué)者采用神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)的準(zhǔn)確率在65%以上（孫發(fā)勤， 等， 2019; Corrigan， et al.， 2017）。深度神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)準(zhǔn)確率均高于人工神經(jīng)網(wǎng)絡(luò)，且在Kappa值、召回率等指標(biāo)上均較好。因此，深度神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型可用于對(duì)學(xué)生學(xué)習(xí)行為的精準(zhǔn)預(yù)測(cè)，相較于其他機(jī)器學(xué)習(xí)預(yù)測(cè)模型，其優(yōu)異的預(yù)測(cè)性能可用于學(xué)習(xí)行為診斷和學(xué)習(xí)干預(yù)方式的界定。

但深度神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型也存在耗時(shí)較多的問題。從圖6可以看到，在機(jī)器學(xué)習(xí)模型中各初始預(yù)測(cè)模型的耗時(shí)一般只需0.01～0.03秒，采用了提升和裝袋集成分類器后模型的耗時(shí)開始大幅度增加，但耗時(shí)區(qū)間基本在0.08～0.44秒之間，小于0.5秒。而采用神經(jīng)網(wǎng)絡(luò)分類器的兩個(gè)模型耗時(shí)在5.66～7.78秒之間，與基本的機(jī)器學(xué)習(xí)模型耗時(shí)相比多了10～15倍。從人工神經(jīng)網(wǎng)絡(luò)與深度神經(jīng)網(wǎng)絡(luò)模型的效能上比較（如圖7所示），預(yù)測(cè)準(zhǔn)確率僅提高了2.4個(gè)百分點(diǎn)，耗時(shí)就增加了2.12秒，這從預(yù)測(cè)的代價(jià)來說是較大的。不過隨著計(jì)算機(jī)性能的不斷提升，特別是基于并行計(jì)算的GPU價(jià)格下放，無論是機(jī)器學(xué)習(xí)還是神經(jīng)網(wǎng)絡(luò)算法在GPU上的計(jì)算速度將得到很大改善，計(jì)算效能也有極大提升，這為基于深度神經(jīng)網(wǎng)絡(luò)的智能化預(yù)測(cè)應(yīng)用提供了極大的技術(shù)保障。

（四）構(gòu)建學(xué)習(xí)行為診斷模型

雖然基于神經(jīng)網(wǎng)絡(luò)算法的預(yù)測(cè)結(jié)果好于其他分類器，但對(duì)于希望挖掘?qū)W習(xí)動(dòng)機(jī)和學(xué)習(xí)發(fā)生的內(nèi)在機(jī)理，目前深度神經(jīng)網(wǎng)絡(luò)算法對(duì)于學(xué)習(xí)技術(shù)研究來說還是一個(gè)黑盒算法，尚不能提供一個(gè)具體的用于學(xué)習(xí)效果診斷的評(píng)判依據(jù)。深度神經(jīng)網(wǎng)絡(luò)模型能得到一個(gè)比較理想的預(yù)測(cè)結(jié)果，但預(yù)測(cè)的可操作性還不夠具體。因此，本研究提出一種結(jié)合決策樹規(guī)則集和深度神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)行為診斷模型，相比單一診斷模型，該模型不僅具有深度神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)精度，而且兼具決策樹和規(guī)則算法的易讀性和可操作性，提升整體模型的泛化能力（如圖8所示）。

從圖8可以看到，該模型分為知識(shí)推理引擎、知識(shí)解釋引擎和知識(shí)應(yīng)用引擎三個(gè)部分。在知識(shí)推理階段，主要是從學(xué)生基礎(chǔ)信息庫和學(xué)習(xí)事件數(shù)據(jù)庫中采集模型需要的訓(xùn)練集，用于不同預(yù)測(cè)模型的參數(shù)建立，通過深度神經(jīng)網(wǎng)絡(luò)建立準(zhǔn)確率較高的預(yù)測(cè)模型，用于判斷行為數(shù)據(jù)的預(yù)測(cè)結(jié)果。同時(shí)，采用基于決策樹和規(guī)則算法的機(jī)器學(xué)習(xí)預(yù)測(cè)模型生成用于預(yù)測(cè)診斷的規(guī)則集，通過測(cè)試集驗(yàn)證其預(yù)測(cè)效果。在知識(shí)解釋引擎中，根據(jù)預(yù)測(cè)結(jié)果和預(yù)測(cè)規(guī)則建立學(xué)習(xí)行為診斷模型，通過關(guān)鍵詞AND（并且）、OR（或者）或者不同規(guī)則表達(dá)式的混合使用，當(dāng)新的驗(yàn)證集數(shù)據(jù)進(jìn)行診斷并形成預(yù)測(cè)結(jié)果時(shí)，解釋引擎具有的IF（條件）THEN（應(yīng)用）結(jié)構(gòu)將觸發(fā)診斷規(guī)則，繼而根據(jù)診斷分類（A型或B型）執(zhí)行特定的應(yīng)用。知識(shí)應(yīng)用引擎根據(jù)特定類型提供相應(yīng)的推薦和干預(yù)模型，對(duì)于學(xué)習(xí)績(jī)效較好的A型依據(jù)資源推薦策略，提供更具個(gè)性化的學(xué)習(xí)資源推薦;對(duì)于學(xué)習(xí)績(jī)效一般的B型依據(jù)診斷模型中規(guī)則集分析學(xué)習(xí)行為的欠缺之處，提供有針對(duì)性的學(xué)習(xí)行為干預(yù)策略，并對(duì)干預(yù)后的學(xué)習(xí)行為進(jìn)行檢測(cè)和評(píng)估，通過對(duì)學(xué)習(xí)績(jī)效的測(cè)試和評(píng)價(jià)檢測(cè)推薦和干預(yù)模型的實(shí)施效果，同時(shí)將后期活動(dòng)的數(shù)據(jù)經(jīng)過預(yù)處理后存入學(xué)習(xí)事件數(shù)據(jù)庫中，為進(jìn)一步更新和優(yōu)化預(yù)測(cè)模型提供數(shù)據(jù)保障。

（五）學(xué)習(xí)績(jī)效預(yù)測(cè)機(jī)制與教育價(jià)值

學(xué)習(xí)績(jī)效預(yù)測(cè)的目的不僅是計(jì)算出較高準(zhǔn)確率的分類結(jié)果，更重要的是利用預(yù)測(cè)結(jié)果為學(xué)習(xí)者提供服務(wù)，促使學(xué)習(xí)者優(yōu)化學(xué)習(xí)路徑，改善學(xué)習(xí)成效（Thomas， 2016），從預(yù)測(cè)機(jī)制和教育價(jià)值上分析：

一是在不同場(chǎng)景數(shù)據(jù)的模型預(yù)測(cè)上，局限在一個(gè)具體場(chǎng)景中的學(xué)習(xí)績(jī)效預(yù)測(cè)難以將預(yù)測(cè)結(jié)果泛化到整個(gè)學(xué)習(xí)環(huán)境中去，而基于多場(chǎng)景數(shù)據(jù)的預(yù)測(cè)模型能比較全面地反映學(xué)習(xí)績(jī)效與場(chǎng)景中不同學(xué)習(xí)行為之間的重要性，不僅對(duì)預(yù)測(cè)的準(zhǔn)確率和預(yù)測(cè)效果都有較大的提升，而且預(yù)測(cè)診斷后可以基于規(guī)則為學(xué)生提供在不同學(xué)習(xí)場(chǎng)景的改善意見。如一名學(xué)生經(jīng)過深度神經(jīng)網(wǎng)絡(luò)模型診斷為A類型后，發(fā)現(xiàn)符合A類規(guī)則2，說明該學(xué)生有較好的學(xué)習(xí)能動(dòng)性，但生活規(guī)律一般，因此可以在生活場(chǎng)景中鼓勵(lì)學(xué)生定制學(xué)習(xí)規(guī)劃表、推薦與學(xué)科專業(yè)相關(guān)的圖書，在學(xué)習(xí)場(chǎng)景中推薦相關(guān)網(wǎng)絡(luò)課程、提供數(shù)字化學(xué)習(xí)資源等手段，為學(xué)生提升學(xué)習(xí)效率、改進(jìn)學(xué)習(xí)方法、提升學(xué)習(xí)效果提供幫助和指導(dǎo)（胡航， 等， 2020）。隨著智能影像分析和情感識(shí)別等技術(shù)的日益完善，未來可以獲取學(xué)習(xí)者更多場(chǎng)景的數(shù)據(jù)，如在課程學(xué)習(xí)過程中內(nèi)在心理狀態(tài)變化數(shù)據(jù)等，將學(xué)習(xí)表情、學(xué)習(xí)情感、學(xué)習(xí)注意力，從心理學(xué)視角分析學(xué)習(xí)行為和狀態(tài)，探測(cè)影響學(xué)習(xí)結(jié)果的影響因素（牟智佳， 等， 2017），從而提高學(xué)習(xí)預(yù)測(cè)準(zhǔn)確率。

二是在學(xué)習(xí)行為的干預(yù)上，根據(jù)被預(yù)測(cè)的等級(jí)進(jìn)行對(duì)應(yīng)級(jí)別的干預(yù)措施。如預(yù)測(cè)為學(xué)習(xí)較差類的學(xué)生進(jìn)行級(jí)別較大的干預(yù)（Perelmutter， McGregor， & Gordon， 2017），然而由于預(yù)測(cè)等級(jí)的具體原因不清晰，常以一類學(xué)生為單位進(jìn)行集體干預(yù)。通過本研究提供的學(xué)習(xí)行為診斷模型，可以反過來從判斷規(guī)則中找到每個(gè)學(xué)生學(xué)習(xí)行為中的問題和薄弱點(diǎn)，避免以群體為單位的粗粒度干預(yù)方式，從而為每個(gè)學(xué)生提供有針對(duì)性的干預(yù)措施，使個(gè)性化的“精準(zhǔn)干預(yù)”成為可能（胡航， 等， 2019）。如一名學(xué)生經(jīng)過模型診斷為B類型后，發(fā)現(xiàn)平均早起時(shí)間晚于7.2，并且網(wǎng)絡(luò)課程學(xué)習(xí)訪問量低于88次，符合B類型的規(guī)則1，因此教師可以針對(duì)該學(xué)生的具體情況采取鼓勵(lì)早起學(xué)習(xí)、增加網(wǎng)絡(luò)課程學(xué)習(xí)時(shí)間等干預(yù)措施，從而激發(fā)和調(diào)動(dòng)學(xué)生的學(xué)習(xí)意識(shí)和學(xué)習(xí)積極性，同時(shí)也為教育政策制定、教學(xué)資源規(guī)劃和教學(xué)方法實(shí)施提供決策支撐。

三是在教育決策上，大數(shù)據(jù)分析與預(yù)測(cè)技術(shù)的發(fā)展為教育決策的制定提供了新的契機(jī)，同時(shí)也帶來了新的挑戰(zhàn)。本研究采集的數(shù)據(jù)由于部分屬性值的缺失（稀疏性）和不平衡（異質(zhì)性），需要高維度的數(shù)據(jù)特征度量和抽樣方法，增加了數(shù)據(jù)處理的難度，降低了數(shù)據(jù)的使用率（從3，243名學(xué)生中抽取出823名），也影響了研究樣本對(duì)總體的解釋程度。因此，基于大數(shù)據(jù)分析的教育決策發(fā)展也面臨一系列亟待解決的問題。但隨著基于大數(shù)據(jù)智能技術(shù)的發(fā)展，特別是面向異構(gòu)大數(shù)據(jù)的新一代統(tǒng)計(jì)推斷體系以及適用于噪聲數(shù)據(jù)挖掘方法和預(yù)測(cè)方法的不斷完善，將為學(xué)校教育管理者和教師分析教育現(xiàn)象和結(jié)果之間的聯(lián)系提供更加可靠的數(shù)據(jù)基礎(chǔ)，從而增加教育決策的成功率，降低教育決策風(fēng)險(xiǎn)和成本。

六、結(jié)語

本文采用學(xué)生學(xué)習(xí)場(chǎng)景和生活場(chǎng)景中的學(xué)習(xí)行為日志數(shù)據(jù)，通過五種機(jī)器學(xué)習(xí)模型和兩種神經(jīng)網(wǎng)絡(luò)模型對(duì)學(xué)習(xí)績(jī)效進(jìn)行預(yù)測(cè)，分析和比較預(yù)測(cè)結(jié)果和預(yù)測(cè)效能，結(jié)合深度神經(jīng)網(wǎng)絡(luò)模型的高預(yù)測(cè)準(zhǔn)確率和決策樹與規(guī)則模型的易讀性和易操作性，構(gòu)建了基于規(guī)則集的學(xué)習(xí)行為診斷模型。在研究還存在一些局限性，限于數(shù)據(jù)的缺失和不平衡，研究樣本還未能全覆蓋;三個(gè)場(chǎng)景中的學(xué)習(xí)行為數(shù)據(jù)預(yù)測(cè)學(xué)習(xí)績(jī)效還未能涵蓋大學(xué)學(xué)習(xí)場(chǎng)景中對(duì)學(xué)習(xí)績(jī)效影響的其他因素。在后期研究中，將在更多學(xué)習(xí)場(chǎng)景中整合不同學(xué)習(xí)類型和學(xué)習(xí)行為數(shù)據(jù)，針對(duì)每個(gè)學(xué)習(xí)場(chǎng)景自身的特點(diǎn)和性質(zhì)采取不同的智能化學(xué)習(xí)分析技術(shù)，為學(xué)習(xí)者和教育工作者提供更加精準(zhǔn)的預(yù)測(cè)與干預(yù)服務(wù)，形成教學(xué)實(shí)驗(yàn)、教學(xué)研究、教學(xué)實(shí)踐的教育大數(shù)據(jù)研究與實(shí)踐的教科研發(fā)展閉環(huán)。

[參考文獻(xiàn)]

陳德鑫，占袁圓，楊兵. 2019. 深度學(xué)習(xí)技術(shù)在教育大數(shù)據(jù)挖掘領(lǐng)域的應(yīng)用分析[J]. 電化教育研究（2）：68-76.

陳子健，朱曉亮. 2017. 基于教育數(shù)據(jù)挖掘的在線學(xué)習(xí)者學(xué)業(yè)成績(jī)預(yù)測(cè)建模研究[J]. 中國(guó)電化教育（12）：75-81，89.

杜爽，飛云倩，何牧，胡航. 2020. 大學(xué)生“早起”和“借閱”行為與學(xué)習(xí)績(jī)效的關(guān)系研究[J]. 中國(guó)遠(yuǎn)程教育（11）：47-58，77.

范逸洲，汪瓊. 2018. 學(xué)業(yè)成就與學(xué)業(yè)風(fēng)險(xiǎn)的預(yù)測(cè)——基于學(xué)習(xí)分析領(lǐng)域中預(yù)測(cè)指標(biāo)的文獻(xiàn)綜述[J]. 中國(guó)遠(yuǎn)程教育（1）：5-15，44，79.

胡航，李雅馨，曹一凡，趙秋華，郎啟娥. 2019. 腦機(jī)交互促進(jìn)學(xué)習(xí)有效發(fā)生的路徑及實(shí)驗(yàn)研究——基于在線學(xué)習(xí)系統(tǒng)中的注意力干預(yù)分析[J]. 遠(yuǎn)程教育雜志（4）：54-63.

胡航，李雅馨，郎啟娥，楊海茹，趙秋華，曹一凡. 2020. 深度學(xué)習(xí)的發(fā)生過程、設(shè)計(jì)模型與機(jī)理闡釋[J]. 中國(guó)遠(yuǎn)程教育（1）：54-61，77.

牟智佳，武法提. 2017. MOOC學(xué)習(xí)結(jié)果預(yù)測(cè)指標(biāo)探索與學(xué)習(xí)群體特征分析[J]. 現(xiàn)代遠(yuǎn)程教育研究（3）：58-66，93.

牟智佳，武法提. 2017. 教育大數(shù)據(jù)背景下學(xué)習(xí)結(jié)果預(yù)測(cè)研究的內(nèi)容解析與設(shè)計(jì)取向[J]. 中國(guó)電化教育（7）：26-32.

斯伯克特，任友群. 2012. 教育傳播與技術(shù)研究手冊(cè)[M]. 上海：華東師范大學(xué)出版社.

孫發(fā)勤，馮銳. 2019. 基于學(xué)習(xí)分析的在線學(xué)業(yè)成就影響因素研究[J]. 中國(guó)電化教育（3）：48-54.

王改花，傅鋼善. 2019. 網(wǎng)絡(luò)學(xué)習(xí)行為與成績(jī)的預(yù)測(cè)及學(xué)習(xí)干預(yù)模型的設(shè)計(jì)[J]. 中國(guó)遠(yuǎn)程教育（2）：39-48.

武法提，田浩. 2019. 挖掘有意義學(xué)習(xí)行為特征：學(xué)習(xí)結(jié)果預(yù)測(cè)框架[J]. 開放教育研究（6）：75-82.

AlShammari， I. A.， Aldhafiri， M. D.， & Al-Shammari， Z. （2013）. A Meta-Analysis of Educational Data Mining on Improvements in Learning Outcomes. College Student Journal， 47（2）， 326-333.

Adewale， A. M.， Bamidele， A. O.， & Lateef， U. O. （2018）. Predictive modelling and analysis of academic performance of secondary school students： Artificial Neural Network approach. International Journal of Science and Technology Education Research， 9（1）， 1-8.

Corrigan， O.， & Smeaton， A. F. （2017）. A course agnostic approach to predicting student success from VLE log data using recurrent neural networks. In European Conference on Technology Enhanced Learning （pp. 545-548）.

Fayoumi， A. G. ， & Hajjar， A. F. （2020）. Advanced learning analytics in academic education： academic performance forecasting based on an artificial neural network. International Journal on Semantic Web and Information Systems （IJSWIS）， 16.

Hamoud， A. K.， Hashim， A. S.， & Awadh， W. A. （2018）. Predicting Student Performance in Higher Education Institutions Using Decision Tree Analysis. International Journal of Interactive Multimedia and Artificial Intelligence， 5（2）， 26-31.

Han， M.， Tong， M.， Chen， M.， Liu， J.， & Liu， C. （2017）. Application of Ensemble Algorithm in Students Performance Prediction. In 2017 6th IIAI International Congress on Advanced Applied Informatics （IIAI-AAI）， 735-740.

Hellas， A.， Ihantola， P.， Petersen， A.， Ajanovski， V. V.， Gutica， M.， Hynninen， T.， … & Liao， S. N. （2018）. Predicting academic performance： a systematic literature review. 23rd Annual Conference on Innovation and Technology in Computer Science Education （ITiCSE 2018）， 175-199.

Huang， S， & Fang， N. （2013）. Predicting student academic performance in an engineering dynamics course： A comparison of four types of predictive mathematical models. Computers in Education， 61（1）， 133-145.

Hussain， M.， Zhu， W.， Zhang， W.， & Abidi， S. M. R. （2018）. Student Engagement Predictions in an e-Learning System and Their Impact on Student Course Assessment Scores. Computational Intelligence and Neuroscience， 2018， 6347186.

Iyanda， A. R.， Ninan， O. D.， Ajayi， A. O.， & Anyabolu， O. G. （2018）. Predicting Student Academic Performance in Computer Science Courses： A Comparison of Neural Network Models. International Journal of Modern Education and Computer Science， 10（6）， 1-9.

Navamani， J. M. A.， & Kannammal， A. （2015）. Predicting Performance of Schools by Applying Data Mining Techniques on Public Examination Results. Research Journal of Applied Sciences， Engineering and Technology， 9（4）， 262-271.

Karthikeyan， V. G.， Thangaraj， P.， & Karthik， S. （2020）. Towards developing hybrid educational data mining model （HEDM） for efficient and accurate student performance evaluation. Soft Computing， 1-11.

Kotsiantis， S. B. （2007）. Supervised Machine Learning： A Review of Classification Techniques. Informatica （Lithuanian Academy of Sciences）， 31（3）， 249-268.

Lang， S.， Bravo-Marquez， F.， Beckham， C. J.， Hall， M. A.， & Frank， E. （2019）. WekaDeeplearning4j： A deep learning package for weka based on Deeplearning4j. Knowledge Based Systems， 178， 48-50.

Lykourentzou， I.， Giannoukos， I.， Mpardis， G.， Nikolopoulos， V.， & Loumos， V. （2009）. Early and dynamic student achievement prediction in e-learning courses using neural networks. Journal of the Association for Information Science and Technology， 60（2）， 372-380.

Marbouti， F.， Diefes-Dux， H. A.， & Strobel， J. （2015）. Building Course-Specific Regression-based Models to Identify At-risk Students. 2015 ASEE Annual Conference & Exposition.

Marbouti， F.， Diefes-Dux， H. A.， & Madhavan， K. （2016）. Models for early prediction of at-risk students in a course using standards-based grading. Computers in Education， 103， 1-15.

McKay， T.， Miller， K.， & Tritz， J. （2012）. What to do with actionable intelligence： E 2 Coach as an intervention engine. In Proceedings of the 2nd International Conference on Learning Analytics and Knowledge （pp. 88-91）.

Meruelo， A. D. ， Jacobus， J. ， Idy， E. ， Nguyen-Louie， T. ， & Tapert， S. F. （2018）. Early adolescent brain markers of late adolescent academic functioning. Brain Imaging and Behavior， 13（1）， 1-8.

Montavon， G.， Samek， W.， & Müller， K. R. （2018）. Methods for interpreting and understanding deep neural networks. Digital Signal Processing， 73， 1-15.

Nkhoma， M.， Sriratanaviriyakul， N.， Cong， H. P.， & Lam， T. K. （2014）. Examining the mediating role of learning engagement， learning process and learning experience on the learning outcomes through localized real case studies. Journal of Education and Training， 56（4）， 287-302.

Park， O. C.， & Tennyson， R. D. （1986）. Computer-Based Response-Sensitive Design Strategies for Selecting Presentation Form and Sequence of Examples in Learning of Coordinate Concepts. Journal of Educational Psychology， 78（2）， 153-158.

Perelmutter， B.， McGregor， K. K.， & Gordon， K. R. （2017）. Assistive technology interventions for adolescents and adults with learning disabilities. Computers in Education， 114， 139-163.

Shanthini， A.， Vinodhini， G.， & Chandrasekaran， R. M. （2018）. Predicting Students Academic Performance in the University Using Meta Decision Tree Classifiers. Journal of Computer Science， 14（5）， 654-662.

Shum， S. B.， & Crick， R. D. （2012）. Learning dispositions and transferable competencies： pedagogy， modelling and learning analytics. In Proceedings of the 2nd International Conference on Learning Analytics and Knowledge （pp. 92-101）.

Slim， A.， Heileman， G. L.， Kozlick， J.， & Abdallah， C. T. （2014）. Predicting student success based on prior performance. In 2014 IEEE Symposium on Computational Intelligence and Data Mining （CIDM） （pp. 410-415）.

Thomas， S. （2016）. Future Ready Learning： Reimagining the Role of Technology in Education. 2016 National Education Technology Plan. Office of Educational Technology， US Department of Education.

Viera， A. J.， & Garrett， J. M. （2005）. Understanding interobserver agreement： the kappa statistic. Family Medicine， 37（5）， 360-363.

Waheed， H.， Hassan， S.-U.， Aljohani， N. R.， Hardman， J.， Alelyani， S.， & Nawaz， R. （2020）. Predicting academic performance of students from VLE big data using deep learning models. Computers in Human Behavior， 104， 106189.

Whitener， E. M. （1989）. A Meta-Analytic Review of the Effect on Learning of the Interaction between Prior Achievement and Instructional Support. Review of Educational Research， 59 （1）， 65-86.

Wong， T.-T.， & Yeh， P.-Y. （2020）. Reliable Accuracy Estimates from k -Fold Cross Validation. IEEE Transactions on Knowledge and Data Engineering， 32（8）， 1586-1594.

收稿日期：2020-09-11

定稿日期：2020-11-29

作者簡(jiǎn)介：胡航，博士，副教授，碩士生導(dǎo)師，西南大學(xué)教師教育學(xué)院卓越教學(xué)中心副主任，深度學(xué)習(xí)研究中心主任（400715）。

杜爽，碩士，講師，四川外國(guó)語大學(xué)教育技術(shù)中心（400031）。

梁佳柔，碩士研究生;康忠琳，碩士研究生。西南大學(xué)教育學(xué)部（400715）。

責(zé)任編輯 韓世梅